Weersinvloeden op fijnstof: conclusie bijstellen? (deel II)

Au!

Checklist gemaakt, alles ingepakt, alles even nalopen en hup gaan met die banaan. Op vakantie, de hitte tegemoet. Aangekomen, fietsen van de auto, tent opgezet, alles loopt op rolletjes en je voelt je in controle. En dan "zeg Reinier, waar is de pomp voor het luchtbed?"  Een schok loopt door je lichaam, adrenaline gaat stromen, zweet op de rug. Eerste gedachte: kan ik nog iemand anders de schuld geven, hmm kan niet, we zijn maar met zijn tweetjes, kinderen gaan al niet meer mee. Gewoon accepteren en de rest van de middag maar mondmatig een 2 persoonsluchtbed oppompen. 

Dit was mijn gevoel toen ik diverse opmerkingen kreeg over invloed weersomstandigheden fijnstof. Dat is wel een essentiële misser van mijn kant. Natuurlijk is dat een belangrijke overweging. Misschien zijn het juist deze weersomstandigheden wel die kunnen verklaren waarom tegen mijn verwachting in de fijnstof uitstoot in- en buiten lockdown niet zoveel verschillen.

Foto Andrea Piacquadio via Pexels

Aan de andere kant geeft dit natuurlijk wel mooi de worsteling aan van een burgerwetenschapper in wording. Hoe meer mensen meedenken des te beter het resultaat. Zo moet het gewoon, dat is wetenschap. 

Ideaal 

Wat zou het mooi zijn om een bestaand model te hanteren voor ons geval. Een model waarin je de weersomstandigheden van de in lockdown periode invoert en die van buiten de lockdown. Het model kan vervolgens aan het werk om een correctie te doen op de meetwaarden zodat beide perioden met elkaar te vergelijken zijn.  Er zal vast wel ergens in de wereld een model ontwikkeld zijn voor dit doel maar zoiets vinden en dan toepassen ligt niet echt binnen het bereik van dit onderzoekje. 

Misschien ook niet nodig. Met wat kennis over de invloed van weersomstandigheden op fijnstof en de actuele weersomstandigheden in Arnhem voor eerste helft 2020, moet met gezond verstand toch wel wat conclusies kunnen worden getrokken. Niet zozeer cijfermatig maar meer wat de richting van een eventuele correctie zou kunnen zijn.

De theorie: welke weersomstandigheden hebben invloed op fijnstof concentraties

In sommige fijnstof onderzoeken vergelijken ze een periode met dezelfde perioden één of meer jaren terug in tijd. Bij voldoende vergelijkingsperioden mag je verwachten dat de weersinvloeden in dezelfde seizoenen zo'n beetje tegen elkaar wegvallen. Alleen dat is voor dit onderzoek niet van toepassing, we hebben data vanaf januari 2020 dus die vlieger gaat niet op.

Dus daarom op zoek naar kennis. Veel research papers diagonaal doorgenomen en bijna allemaal uit China, gelukkig wel in het Engels. Tjonge, daar zijn ze pas bezig met dit onderwerp, misschien ook niet zo gek, daar zijn de waarden wel het hoogst van de hele wereld.  

Mijn bevinding in één woord: complex. Veel invloeden: zonlicht, temperatuur, luchtvochtigheid, neerslag, windsterkte, windrichting, luchtdruk, zicht, atmosferische stabiliteit zijn allemaal van invloed op fijnstof uitstoot. En dan soms ook nog afhankelijk van de grootte en chemische samenstelling van het fijnstof. Daarbij zijn de factoren ook onderling afhankelijk en relatie met fijnstof is ook vaak non-lineair. 

Dit zijn de weetjes die naar boven kwamen:

• Zonlicht: mate van zonlicht zorgt voor chemische reacties tussen verschillende type fijnstof wat kan leiden tot smogvorming en hogere temperaturen kunnen dit proces versnellen (weerdienst van de Amerika).
• Zonlicht/luchtdruk/windrichting/windkracht: voor Nederland bij helder weer, hoge luchtdruk en matige oostelijke wind kan dit leiden tot hogere concentraties fijnstof  (RIVM)
• Luchtdruk: des te hoger de luchtdruk, des te hogere fijnstof waarden (Chinees onderzoek #1) 
• Zicht: hoe slechter het zicht des te hoger de concentratie fijnstof, dit verband is erg sterk (Chinees onderzoek #1) 
• Inversie: koude lucht blijft onder, warme boven, dit is omgekeerd van de normale weer condities. Bij inversie kunnen fijnstof concentraties kunnen ontstaan, omdat de fijnstof niet weg kan vanwege de luchtlaag plafond (Chinees onderzoek #1). Op een dagelijkse basis wordt in de nacht, vroege morgen wordt door de lagere temperaturen een inversie laag opgebouwd waardoor de fijnstof waarden dan ook het hoogst zijn (Nieuw Zeelands onderzoek, Chinees onderzoek #2). 
• Temperatuur: hoe hoger de temperatuur, des te lager de fijnstof concentratie, de afvoer van fijnstof door convectie (afvoer naar hogere luchtlagen) wordt door hogere temperaturen bevordert (Chinees onderzoek #2) alleen als er geen sprake is van inversie uiteraard.  
• Windkracht: een zwakke negatieve correlatie met fijnstof PM10, PM2.5 maar een sterke correlatie wel met PM1.0, hoe harder het waait des te minder PM1.0 (Chinees onderzoek #1). In een Pools onderzoek wordt windkracht juist als een zeer bepalende afvoer factor gezien.
• Neerslag: dit is de natuurlijke luchtverschoner bij uitstek, des te meer neerslag des te lagere fijnstof waarden, fijnstof heeft geen of minder mogelijkheid zich te verplaatsen (Chinees onderzoek #2). In ander onderzoek is er bewijs voor de rol van neerslag als luchtverschoner meer in de warme seizoenen (Chinees onderzoek #1)
• Temperatuur/luchtvochtigheid: droge koude lucht werkt ook als een luchtverschoner (Chinees onderzoek #2). We merken dat hier ook wel als we koude noordenwind hebben.
• Luchtvochtigheid (RH): fijnstof waarden stijgen als de luchtvochtigheid stijgt, maar boven een bepaalde luchtvochtigheidsnivo neemt de fijnstof juist af als luchtvochtigheid verder toeneemt. De piekwaarde is afhankelijk van de chemische samenstelling van het fijnstof (oplosbaarheid in water, grootte deeltjes).

Weatherservice USA: https://www.weather.gov/wrn/summer-article-clearing-the-air

Australisch onderzoek: https://unitec.researchbank.ac.nz/handle/10652/4299

Nieuw Zeeland onderzoek: http://www.ipcbee.com/vol102/rp010_ICECB2017-J0005.pdf

Chinees onderzoek #1: https://www.mdpi.com/2073-4433/6/1/150/htm

Chinees onderzoek #2: https://link.springer.com/article/10.1007/s00704-015-1424-z

Chinees onderzoek #3: https://www.researchgate.net/publication/320589182_Relationships_of_relative_humidity_with_PM25_and_PM10_in_the_Yangtze_River_Delta_China

RIVM https://www.rivm.nl/nieuws/kans-op-matige-smog-door-fijnstof-op-15-en-16-februari-2015

Pools onderzoek: https://link.springer.com/article/10.1007/s10874-016-9345-5#Tab1

Het factor model

Een model is per definitie een versimpeling van de werkelijkheid. Dat is een aardig understatement als een model dan ook nog betrekking heeft op iets wat met het weer te maken heeft. Maar toch denk ik dat juist een uitgekleed model met focus op alleen de mechanische weersfactoren die fijnstof concentraties beïnvloeden ons kan helpen. 

Op basis de onderzoeken kom ik tot het volgende factoren:

• Hogere temperatuur (door stijging), neerslag en windkracht zorgen voor een grotere afvoer van fijnstof (-factor)
• Hogere vochtigheidsgraad, luchtdruk, zonlicht in combinatie met bepaalde windrichtingen zorgen voor grotere concentraties van fijnstof (+factor). Waarbij voor Nederland oostenwind de windrichting is waarbij er sprake kan zijn van hogere concentraties.
• Neerslag wordt als een van de meeste dominante factoren gezien 
• Zicht factor heb ik niet meegenomen omdat deze factor niet mechanisch is, het helpt niet bij de aan- of afvoer van fijnstof. Zicht heeft zoals ik het lees meer een correlatie effect met fijnstof dan een causaal verband.

Door de verschillen in de lockdown en buiten lockdown in termen van deze kern factoren te beschrijven kunnen je een netto factor bepalen. Stel dat in de lockdown fase er sprake is van meer afvoerfactoren (-factor) dan factoren die juist de fijnstof concentraties doen toenemen (+factor), dan kan je stellen dat een correctie naar boven moet worden gemaakt op de meetwaarden van de lockdown. Dit uiteraard om de meetwaarden tussen deze periodes vergelijkbaar te maken. 

De data: de weersomstandigheden rondom lockdown

Nu ik iets meer weet over welke weersomstandigheden interessant zijn voor ons onderzoekje heb ik via KNMI de data opgehaald voor het weerstation Delen, het weerstation dichtste bij Arnhem. Het volgende grafiekje gemaakt voor de eerste 6 maanden van 2020:

Windrichting: 360=noord, 90=oost, 180=zuid, 270=west, 0=windstil/variabel

Luchtdruk: +1000 hPa

In onderstaande tabel de gemiddelde condities tussen maanden 1,2,3,6 (niet in lockdown), versus maanden 4 en 5 (in lockdown).

                niet-lockdown in-lockdown

Windrichting 212         134

Windkracht 4,4         3,2

Temperatuur 7,4         12

Vochtigheid 60         0

Zicht         42         64

Bewolking 7         5

Neerslagduur 60         0

Neerslag 60         0

Luchtdruk 15,5         20,7

Het volgende valt me het volgende op. Periode buiten lockdown: kouder, luchtdruk lager, meer neerslag, meer wind, meer bewolking, minder zicht, hogere luchtvochtigheid, voornamelijk wind uit het zuid-westen terwijl periode in lockdown de wind overwegend uit het zuid-oosten waait.

Conclusie

Kijken we naar de verschillen tussen de lockdown periode in termen van onze model factoren  dan zien we:

• veel minder neerslag -> +factor (dominant)
• warmer ->  -factor
• hogere luchtdruk -> +factor
• droger -> -factor
• meer zon -> +factor
• minder wind -> +factor
• windrichting uit het zuid-oosten -> +factor

Opgeteld hebben we in de lockdown 5 +factoren en 2 -factoren, waarvan de dominantste factor neerslag een +factor is. Ongeacht hoe je elke individuele factor nu weegt, het is duidelijk dat de weegschaal in de lockdown periode in vergelijking tot de niet-lockdown periode meer naar +factoren helt. 

Bovenstaande uitkomst betekent dat als je de twee perioden voor wat de weersomstandigheden betreft vergelijkbaar zou willen maken dat de kans groter is dat je de meetwaarden in de lockdown periode zou moeten verlagen dan dat je een correctie naar boven zou moeten toepassen. Een verdergaande conclusie kan ik niet trekken. 

Dat betekent dat er toch aanwijzingen zijn dat de lockdown periode tot een vermindering van fijnstof uitstoot heeft geleid.

Ahh toe, geef eens aan hoe groot de correctie factor ongeveer kan zijn?

Okay ik ga het proberen, omdat je zo aandringt. Ik ga toch proberen op basis van ons model een correctie factor in te schatten. Maar weet dit is echt heuristiek van de bovenste plank omdat ik alle factoren dezelfde gewichten ga geven. Uitzondering is de neerslag omdat dit de dominante factor is. Ook veronderstel ik alle factoren lineair met aan- of afvoer van fijnstof. We weten gewoon dat al deze veronderstellingen niet kloppen Toch is mijn ervaring dat voor zeer complexe situaties dat dit soort simpele modellen betere resultaten kunnen geven dan complexere varianten. Het is een poging waard.

                               

                delta abs  gewicht gewogen bijdrage

Windrichting 37%        -1,0     -0,37

Windkracht 27%         1,0      0,27

Temperatuur 62%        -1,0     -0,62

Vochtigheid 100% *)     1,0      1,00

Neerslag 100% *)    -1,5     -1,50  

Luchtdruk 25%         1,0      0,25

Totaal                              -0,94 /5 = -0,19

*) 100% klopt niet, maar heft elkaar op, netto -0,5 gewogen bijdrage

Dus ik kom uit op een correctie van ongeveer -19%, zeg maar vermenigvuldigen met factor 0,81. Deze correctie factor toegepast op onze gemiddelde fijnstof meetwaarden uit deel I:

type            no-lockdown in-lockdown    

PM10         4,45         5,26 -> 4,26*)

PM2.5         1,75         2,08 -> 1,68*)

*) gecorrigeerd op weersomstandigheden

Tja, voelt een beetje aan als goochelen met getallen. En nog steeds zien de waarden er in- en buiten de lockdown er hetzelfde uit. Ik vermoed dat ik nog een kritisch moet kijken naar de correcties in mijn datapijplijn. Dat zal mijn volgende onderwerp worden. 

Dank voor het lezen,

Reinier Straatemeier

reinier.straatemeier@gmail.com

Burgerwetenschapper in wording